Gdy rok 2025 dobiega końca, oficjalnie nadszedł termin płatności rachunku za boom na sztuczną inteligencję. Chociaż korporacyjne plany działania są nadal przepełnione generatywnymi programami pilotażowymi, różnica między „magią” a „marżą” w generowaniu przychodów ze sztucznej inteligencji pogłębia się.
Najnowsze dane wyraźnie ukazują tę „lukę w ROI”. Według badania MIT z grudnia 2025 r. prawie 95% projektów AI przedsiębiorstw nie przynosi obecnie wymiernych zysków. Podobnie Forrester podaje tylko to 15% kadry kierowniczej zaobserwowało jakąkolwiek poprawę marży zysku z inwestycji w sztuczną inteligencję w ciągu ostatniego roku.
Niekomfortowa cisza w salach konferencyjnych nie dotyczy już tego, czy technologia działa, ale tego, dlaczego nie jest opłacalna.
Przejście od obiecującego demo do silnika generującego przychody wymaga czegoś więcej niż tylko czystych danych i dobrych modeli; wymaga fundamentalnej zmiany strategii – takiej, która zasypie przepaść między ambicjami wykonawczymi a rzeczywistością inżynieryjną.
Aby pokonać ten podział, zwracamy się do Władysław Czekryżowdyrektor ds. analityki danych i sztucznej inteligencji w AUTODOK. Działając na 27 różnych rynkach europejskich, Chekryzhov znajduje się na rzadkim skrzyżowaniu własności produktu dla kadry kierowniczej i praktycznej architektury systemu. W przeciwieństwie do teoretycznych futurystów, którzy często dominują na pierwszych stronach gazet, jego mandat opiera się na realiach dużego handlu elektronicznego, w których stawka jest wysoka: dostarczanie systemów klasy produkcyjnej, które bezpośrednio wpływają na ceny, utrzymanie i lojalność klientów.
Reprezentuje dyscyplinę, którą moglibyśmy nazwać „realizmem przychodowym” – zrozumienie, że model sztucznej inteligencji jest tak wartościowy, jak jego zdolność do przetrwania w środowisku naturalnym i zapewnienia wymiernego wpływu komercyjnego.
Oto pięć strategicznych elementów niezbędnych do przekształcenia szumu wokół sztucznej inteligencji w rzeczywistość zysków i strat.
„Filtr użyteczności”: bezwzględne ustalanie priorytetów
Pierwszą pułapką, w jaką wpada wiele organizacji, jest „poszukiwanie rozwiązania problemu”. Ponieważ bariera wejścia dla generatywnej sztucznej inteligencji jest niższa niż kiedykolwiek, pokusa tworzenia „fajnych” funkcji jest wysoka. Jednak generowanie przychodów wymaga zdyscyplinowanej odmowy gonienia trendów, które nie poruszają igłą.
Dla Czekryzowa różnica między cechą a czynnikiem biznesowym jest wyraźna. Zaczyna się nie od kodu, ale od modelowania finansowego.
„Ostatecznie nadanie priorytetu wszelkim inicjatywom AI/ML sprowadza się do dyscypliny w budowaniu założeń. Nie polegaj na intuicji; najpierw modeluj wpływ – zarabiaj w Excelu, zanim jeszcze zostanie napisany kod”.
Kategoryzuje inicjatywy na trzy poziomy: Optymalizacja obecnej ekonomiki (Poziom 1), Odblokowanie ekonomiki nowego produktu (Poziom 2) i Przebudowa ekosystemu biznesowego (Poziom 3). Zauważa, że strefa zagrożenia to zwykle poziom 3, gdzie strategiczne historie często maskują słabe założenia.
„Częstym powodem awarii jest budowanie drogiej zabawki… Wymuszam test dostawcy: czy zapłacilibyśmy za tę funkcję po stawkach dostawcy (np. OpenAI) i nadal utrzymywalibyśmy marże? Jeśli nie ma dającej się obronić ścieżki wzrostu przychodów lub skokowej zmiany kosztów operacyjnych, jest to po prostu kosztowny eksperyment”.
Równoważenie algorytmu: ustalanie cen a utrzymanie
W e-commerce AI często ma za zadanie optymalizację. Jednak optymalizacja rzadko ma charakter o sumie zerowej. Model zaprojektowany w celu maksymalizacji natychmiastowej marży (dynamiczne ustalanie cen) może nieumyślnie ukarać długoterminową lojalność (utrzymanie).
Czekryżow przekonuje, że zarządzanie tym napięciem nie polega na znalezieniu idealnej architektury sieci neuronowej, ale na ustaleniu właściwych granic organizacyjnych.
„Minimum, które zaskakująco dobrze sprawdza się, to kultura, a nie architektura: rygorystyczne eksperymenty z właściwymi poręczami. Każda zmiana cen lub promocji jest mierzona nie tylko natychmiastową efektywnością, ale także „efektem aureoli”: tym, jak zmienia zachowanie w różnych kohortach i segmentach… Z góry określamy, które wskaźniki mogą się zmieniać, w jakim kierunku i o ile. Jeśli wygrana z marżą wiąże się z utrzymaniem lub osiągnięciem CLV poza tymi granicami, nie jest to wygrana.
Aby wdrożyć to technicznie, sugeruje unikanie monolitów „czarnych skrzynek” na rzecz podejścia warstwowego, które zapewnia liderom biznesowym kontrolę bez konieczności ponownego szkolenia pełnego modelu.
„Praktycznym sposobem na osiągnięcie tego jest kaskada modeli: model wyceny proponuje ceny kandydujące, następnie lekkie modele przewidują wyniki użytkownika i działają jak filtr lub narzędzie do zmiany wagi. Korzyścią jest kontrola: możesz dostosować logikę biznesową, zmieniając ostateczną konfigurację, zamiast przekwalifikowywać ciężki model za każdym razem, gdy zmieniają się priorytety”.
„Luka produkcyjna”: gdzie umiera zwrot z inwestycji
Weryfikacja koncepcji (POC) to kontrolowany eksperyment; produkcja to strefa wojny. Wiele prognoz przychodów kończy się niepowodzeniem, ponieważ nie docenia się w nich ogólnych kosztów inżynieryjnych wymaganych do utrzymania działania modelu na dużą skalę.
Czekryżow ostrzega, że sztuczna inteligencja wprowadza specyficzny rodzaj długu technicznego, którego często brakuje tradycyjnym inżynierom oprogramowania: niedeterminizm.
„Szczera odpowiedź jest taka, że udany PoC nie dowodzi, że masz skalowalny produkt… Model jest niedeterministyczny: ponowne uruchomienie może dać różne wyniki. To gwałtownie zwiększa koszty debugowania, utrudnia odtworzenie incydentów i podnosi poprzeczkę w zakresie monitorowania. Dług techniczny pojawia się wcześniej w systemach AI niż w tradycyjnym oprogramowaniu, stając się podatkiem od szybkości rozwoju całego zespołu”.
Ze strategicznego punktu widzenia oznacza to, że kalkulacja ROI musi uwzględniać koszt niezawodności. Jeśli budżetujesz tylko na rozwój, a nie na „podatek” utrzymania, Twoje marże wyparują.
„Najlepsze inwestycje, jakie tu widziałem, nie są egzotyczne… Stawiam na podstawową higienę (Kultura MLOps i ciągły proces projektowania systemów ML)części, które się nie starzeją: mierzalna jakość, możliwość debugowania i odwracalność.
Izolowanie sygnału: wyzwanie atrybucji
Być może najbardziej złożonym pytaniem strategicznym, na które należy odpowiedzieć, jest: „Czy sztuczna inteligencja to zrobiła?” W złożonym ekosystemie obejmującym dziesiątki rynków, sezonowość i wydatki marketingowe, przypisywanie przychodów konkretnym źródłom jest statystycznie niejasne. Jednak bez jasnego przypisania, nie da się uzasadnić kadry kierowniczej kontynuowania inwestycji.
Czekryżow podchodzi do tego z rygorem naukowca, odrzucając pogląd, że złożone modele generują zaufanie. Zamiast tego opiera się na scenariuszach alternatywnych, udowadniając, co by się stało, gdyby nie istniała sztuczna inteligencja.
„Jedynym sposobem, aby z powagą stwierdzić, że sztuczna inteligencja napędza X, jest oparcie się na wiarygodnym scenariuszu alternatywnym. Opieram się na dwóch rodzinach dowodów: randomizowanych eksperymentach (A/B), jeśli jest to wykonalne, i metodach quasi-eksperymentalnych, jeśli nie. Jeśli decyzja ma znaczenie poza oknem testowym, do konfiguracji A/B dodajemy globalny element: trwałą grupę kontrolną, która nigdy nie widzi tej funkcji. To bolesne – dosłownie tracisz pieniądze. Ale często jest to jedyne wiarygodne połączenie z rzeczywistością”.
„W przypadku kadry kierowniczej przekaz jest spójny: zaufanie nie wynika ze złożonego modelu. Wywodzi się z przejrzystego podejścia i projektu pomiaru, który można jasno wyjaśnić”.
Szyny zabezpieczające: zaufanie do maszyny
Wreszcie automatyzacja decyzji dotyczących przychodów – takich jak ustalanie stawek lub ustalanie cen – niesie ze sobą nieodłączne ryzyko. „Halucynacyjny” chatbot jest zawstydzający; algorytm cenowy, który sprzedaje zapasy ze stratą 90%, jest katastrofalny.
Wdrożenie strategiczne wymaga filozofii „człowieka w pętli”, która ewoluuje w zarządzanie „człowieka w pętli”. Czekryżow radzi oszacować koszt błędu przed przyznaniem autonomii.
„Zaczynam od projektowania systemu ML/AI i jeden artefakt ma tutaj największe znaczenie: koszt błędu. Jeśli wada jest wysoka i trudna do odwrócenia, nie gonię za pełną autonomią… Kiedy profil ryzyka jest akceptowalny, lubię „suwak autonomii”. Wczesne iteracje są weryfikowane przez człowieka. W miarę gromadzenia danych i pewności przesuwasz suwak w kierunku automatyzacji w kontrolowanych krokach”.
Nawet jeśli system jest w pełni autonomiczny, musi działać w ściśle określonych granicach określonych przez firmę, a nie model.
„Autonomia musi być ograniczona polityką jako kodem. System powinien mieć wyraźne ograniczenia, wyłączniki automatyczne i bezpieczne rezerwy… Nie debatujesz nad autonomią w teorii; zarabiasz na nią”.
Przychody ze sztucznej inteligencji wymagają aktualizacji w zakresie dojrzałości
Przejście od eksperymentów związanych ze sztuczną inteligencją do przychodów związanych ze sztuczną inteligencją nie jest unowocześnieniem technologicznym; jest to podniesienie poziomu dojrzałości. Wymaga odejścia od uroku nowości i przyjęcia rygoru inżynierii, złożoności atrybucji i dyscypliny ustalania priorytetów.
Jak pokazuje doświadczenie Czekryżowa w AUTODOC, firmy, które wygrają, to niekoniecznie te z najbardziej zaawansowanymi modelami, ale te, które mają najsolidniejsze powiązania między nauką o danych a strategią biznesową.
